3. 轨迹规划核心概念：关节空间 vs 笛卡尔空间、轨迹的连续性（C0, C1, C2）、速度与加速度约束、时间最优与能量最优

各位好，欢迎来到第三章。说实话，轨迹规划这个概念，很多新手一上来就被各种空间、连续性、约束条件给绕晕了。我当年刚入行时也是这样，总觉得能跑起来就行。直到有一次，我负责的一个码垛项目，机器人在笛卡尔空间走直线时，末端抖得跟筛糠似的……嗯，从那以后，我才老老实实把基础概念啃透。

这一章，我们就来聊聊轨迹规划的四个核心支柱。你想想看，搞懂了它们，你写出来的轨迹才叫“规划”，而不是“瞎跑”。

3.1 关节空间 vs 笛卡尔空间

这是轨迹规划里最基础、也最容易混淆的一对概念。说白了，就是“机器人怎么动”和“机器人末端走到哪”的区别。

关节空间规划：直接控制每个关节的角度、速度和加速度。规划出来的是一条条关节角度随时间变化的曲线。
笛卡尔空间规划：控制机器人末端（TCP）在三维空间中的位置和姿态。规划出来的是末端在 X、Y、Z 轴上的运动轨迹。

我个人习惯，在需要精确控制末端路径时（比如焊接、涂胶），优先用笛卡尔空间。而在点对点搬运、或者关节运动范围受限的场景下，关节空间更高效。

核心区别一句话总结：

关节空间规划的是“怎么转”，笛卡尔空间规划的是“走到哪”。

这里有个坑，我必须要提醒你。笛卡尔空间规划的轨迹，经过逆运动学映射到关节空间后，关节速度可能会突变。我在项目中遇到过，一条看似平滑的笛卡尔直线，映射到某个关节上，速度曲线出现了尖峰，直接触发了驱动器的过速报警。

避坑指南：

笛卡尔空间规划后，一定要检查逆解后的关节速度/加速度是否在物理限制内。我曾经因为忽略这一步，导致机器人高速运行时关节电机过载，差点烧了驱动器。

下面这张图，帮你理清两个空间的关系：

3.2 轨迹的连续性：C0, C1, C2

连续性这个概念，说白了就是轨迹“光滑”到什么程度。你想想看，如果轨迹不连续，机器人跑起来就会一顿一顿的，轻则影响产品质量，重则损坏机械结构。

连续性等级	含义	数学描述	物理表现
C0	位置连续	q(t) 连续	机器人能走到目标点，但速度会突变
C1	速度连续	q(t) 和 q'(t) 连续	运动平滑，但加速度会突变，产生冲击
C2	加速度连续	q(t)、q'(t)、q''(t) 连续	运动极其平滑，无冲击，适合高精度场景

我记得刚做轨迹规划时，觉得 C0 就够了，反正能走到位。结果在高速搬运时，每次启停都会听到“哐”的一声，那是机械臂在承受巨大的冲击力。后来我改用 S 形速度曲线，实现了 C2 连续，噪音和振动明显小了很多。

我的经验：

对于大多数工业应用，C1 连续已经够用。但如果你在做精密装配、医疗手术机器人，或者需要极高运动品质的场景，请务必追求 C2 连续。代价是计算量会大一些，但值得。

3.3 速度与加速度约束

规划轨迹时，不能只想着“怎么走”，还得考虑“走多快”。每个关节都有物理极限：最大速度、最大加速度、最大加加速度（Jerk）。

为什么要有这些约束？说白了，就是保护你的机器人。我见过有人为了赶节拍，把速度设得特别高，结果电机过热保护，生产线直接停摆。

常见的约束处理方式有两种：

硬约束：在规划阶段，直接限制速度/加速度不超过阈值。简单粗暴，但可能牺牲效率。
软约束：在优化目标中加入惩罚项，让轨迹尽量平滑，但允许在极端情况下略微超限。更灵活，但实现复杂。

关键参数速查表：

参数	符号	单位	典型约束来源
关节最大速度	v_max	rad/s	电机额定转速、减速比
关节最大加速度	a_max	rad/s²	电机最大扭矩、负载惯量
末端最大速度	V_max	m/s	工艺要求、安全标准
末端最大加速度	A_max	m/s²	工件易碎性、抓取稳定性

这里有个小技巧：在做笛卡尔空间规划时，末端速度约束往往比关节速度约束更严格。因为末端速度是关节速度的线性组合，一个关节的微小变化，可能导致末端速度大幅波动。

3.4 时间最优与能量最优

这是轨迹规划的终极目标——在满足所有约束的前提下，找到“最好”的轨迹。但“最好”的定义不同，结果也截然不同。

时间最优：在约束范围内，让机器人以最快速度跑完轨迹。说白了就是“赶时间”。代价是能耗高、机械磨损大。
能量最优：在满足节拍要求的前提下，让机器人消耗的能量最小。代价是运动时间可能更长。

我个人习惯，在节拍要求极高的产线上，优先考虑时间最优。但在一些对能耗敏感的场合（比如移动机器人、协作机器人），能量最优更合适。

避坑指南：

时间最优规划容易导致轨迹在约束边界上“打擦边球”。我曾经优化出一条时间最优轨迹，结果在高速转弯时，某个关节的加速度刚好卡在极限值上，稍微有点负载波动就触发了报警。后来我加了 10% 的安全裕量，才稳定下来。

下面是一个简单的时间最优 vs 能量最优的对比代码片段，帮你理解两者的差异：

// 伪代码：时间最优 vs 能量最优
// 假设已知路径点，需要规划速度曲线

// 时间最优：在约束内尽可能快
function planTimeOptimal(path, v_max, a_max) {
    // 使用梯形速度曲线，加速到最大速度后匀速，再减速
    // 核心逻辑：让速度尽可能保持在 v_max
    return trapezoidalProfile(path, v_max, a_max);
}

// 能量最优：在满足节拍 T 的前提下，让能耗最小
function planEnergyOptimal(path, v_max, a_max, T) {
    // 使用 S 形速度曲线，平滑启停
    // 核心逻辑：降低峰值速度，减少加加速度
    return sCurveProfile(path, v_max * 0.7, a_max * 0.8, T);
}

你想想看，实际项目中，很少有纯粹的“时间最优”或“能量最优”。更多时候，我们是在两者之间找一个平衡点。比如，在满足节拍的前提下，尽量降低能耗；或者在能耗可接受的范围内，尽量缩短时间。

我的建议：

不要一上来就追求“最优”。先跑通一条可行的轨迹，再逐步优化。我见过太多人花了两周时间调优，结果发现基础路径就不对。先保证能跑，再考虑跑得快、跑得省。

好了，这一章的内容就到这里。关节空间和笛卡尔空间的选择、连续性的把控、约束的处理、以及优化目标的权衡，这些都是你写轨迹规划代码时必须面对的问题。搞懂了它们，你才算真正入了轨迹规划的门。